正交匹配追蹤 (Gram)#

sklearn.linear_model.orthogonal_mp_gram(Gram, Xy, *, n_nonzero_coefs=None, tol=None, norms_squared=None, copy_Gram=True, copy_Xy=True, return_path=False, return_n_iter=False)[來源]#

Gram 正交匹配追蹤 (OMP)。

僅使用 Gram 矩陣 X.T * X 和乘積 X.T * y 解決 n_targets 個正交匹配追蹤問題。

在使用者指南中閱讀更多內容。

參數:

Gram形狀為 (n_features, n_features) 的類陣列: 輸入資料的 Gram 矩陣：X.T * X。
Xy形狀為 (n_features,) 或 (n_features, n_targets) 的類陣列: 輸入目標乘以 X：X.T * y。
n_nonzero_coefsint，預設值=None: 解中非零項的期望數量。如果為 None (預設值)，則此值設定為 n_features 的 10%。
tolfloat，預設值為 None: 殘差的最大平方範數。如果不是 None，則會覆蓋 n_nonzero_coefs。
norms_squared類陣列，形狀為 (n_targets,)，預設值為 None: y 的各列的 L2 範數平方。如果 tol 不是 None 時為必要。
copy_Grambool，預設值為 True: 演算法是否必須複製 Gram 矩陣。只有當 Gram 矩陣已經以 Fortran 順序排列時，False 值才有幫助，否則無論如何都會進行複製。
copy_Xybool，預設值為 True: 演算法是否必須複製共變異數向量 Xy。如果為 False，則可能會被覆蓋。
return_pathbool，預設值為 False: 是否返回前向路徑中每個非零係數的值。這對於交叉驗證很有用。
return_n_iterbool，預設值為 False: 是否返回迭代次數。

返回:

coef形狀為 (n_features,) 或 (n_features, n_targets) 的 ndarray: OMP 解的係數。如果 return_path=True，則包含整個係數路徑。在這種情況下，它的形狀為 (n_features, n_features) 或 (n_features, n_targets, n_features)，並且迭代最後一個軸會產生依活動特徵的增加順序排列的係數。
n_iters列表或整數: 每個目標的活動特徵數量。僅當 return_n_iter 設為 True 時才會返回。

另請參閱

OrthogonalMatchingPursuit: 正交匹配追蹤模型 (OMP)。
orthogonal_mp: 解決 n_targets 個正交匹配追蹤問題。
lars_path: 使用 LARS 演算法計算最小角回歸或 Lasso 路徑。
sklearn.decomposition.sparse_encode: 通用稀疏編碼。結果的每一列都是 Lasso 問題的解。

註解

正交匹配追蹤是在 G. Mallat, Z. Zhang, Matching pursuits with time-frequency dictionaries, IEEE Transactions on Signal Processing, Vol. 41, No. 12. (December 1993), pp. 3397-3415 中引入的。( https://www.di.ens.fr/~mallat/papiers/MallatPursuit93.pdf )

此實作基於 Rubinstein, R., Zibulevsky, M. and Elad, M., Efficient Implementation of the K-SVD Algorithm using Batch Orthogonal Matching Pursuit Technical Report - CS Technion, April 2008. https://www.cs.technion.ac.il/~ronrubin/Publications/KSVD-OMP-v2.pdf

範例

>>> from sklearn.datasets import make_regression
>>> from sklearn.linear_model import orthogonal_mp_gram
>>> X, y = make_regression(noise=4, random_state=0)
>>> coef = orthogonal_mp_gram(X.T @ X, X.T @ y)
>>> coef.shape
(100,)
>>> X[:1,] @ coef
array([-78.68...])